この場合、私は文字認識をしたい、手紙は紙からスキャンされます。そのプロセスiの結果には、5 x 5の2進行列があります。したがって、25入力ノードを使用します。しかし、私はどのように隠れ層ノードを決定し、そのケースのためのノードを出力するのか分かりません.iは、そのケースのために多層perecptronのアーキテクチャを構築したいと思います。ご協力いただきありがとうございます！どのように隠れ層ノードと出力ノードを決定するのですか？
すべてのNNは、層の3種類があります。入力、隠さ、および出力を。
したがって、NNアーキテクチャを作成すると、各タイプのレイヤ数と各レイヤのノード数の値が得られます。
入力レイヤ
シンプル - 私の知る例外なく - すべてのNNはまさにそのうちの一つがあります。
この層を構成するニューロンの数に関して、このパラメータは、訓練データの形状を知ると完全に一意的に決定されます。具体的には、そのレイヤーを構成するニューロンの数は、データ内のフィーチャー（列）の数に等しいです。一部のNN構成では、バイアス項に1つの追加ノードが追加されます。
出力レイヤ
入力層と同様に、すべてのNNは正確に一つの出力層を有しています。そのサイズ（ニューロン数）の決定は簡単です。選択されたモデル構成によって完全に決定されます。
は、あなたのNNがマシンモードまたは回帰モード（また、統計に使用されている用語を使用しますが、それは非常に混乱していると別の意味を割り当てるのML大会）で実行して起こっています。マシンモード：クラスラベル（「プレミアムアカウント」/「基本アカウント」など）を返します。回帰モードは値（例えば、価格）を返す。
NNが回帰分析器である場合、出力レイヤーは単一のノードを持ちます。
NNが分類器の場合ソフトマックスは、出力層は、モデルにクラスラベルごとに一つのノードを有している場合に を使用されていない限り、それはまた、単一のノードを持っています。
隠れ層
ので、これらいくつかのルールは、入力と出力の両方の層について層およびサイズの数（ニューロン/層）を設定。それは隠れた層を残す。
いくつの隠れたレイヤーですか？データが線形分離可能である場合（NNのコーディングを開始するまでによく分かる）、隠れたレイヤーはまったく必要ありません。もちろん、あなたのデータを解決するためにNNは必要ありませんが、それでも仕事はできます。
これ以外にも、NNの隠れ層設定の問題についての解説があります（この解説のexcellent summaryについては、非常に徹底的で洞察に満ちたNN FAQを参照してください）。この主題の中でコンセンサスがある1つの問題は、追加の隠れ層の追加とのパフォーマンスの違いです。第2（または第3など）の隠れ層でパフォーマンスが向上する状況は非常に小さいです。 大部分の問題には隠れたレイヤーで十分です。
隠れた層のサイズはどれくらいですか？いくつのニューロンがありますか？経験則から得られた経験則がありますが、最も一般的に頼りになるのは 'です。隠れ層の最適サイズは通常、出力レイヤの入力サイズとサイズの間にあります'。ジェフ・ヒートン（Introduction to Neural Networks in Java）の著者は、さらにいくつかを提供しています。
要約すると、ほとんどの問題では、（2番目の最適化ステップを実行しなくても）2つのルールを使用して隠れたレイヤー構成を設定することによって、まともなパフォーマンスを得ることができます。 （ii）その層内のニューロンの数は、入力および出力層におけるニューロンの平均である。
ネットワーク構成の最適化
プルーニングは計算性能と時々解像性能を向上させる（ノードではない層によって）ネットワークのサイズをトリミングする技術のセットを記述する。これらの技法の要点は、ネットワークから取り除かれた場合、ネットワーク性能（すなわち、データの分解能）に顕著な影響を与えないノードを識別することによって、訓練中にノードをネットワークから除去することである。 （正式なプルーニング技術を使わなくても、トレーニング後にあなたのウェイトマトリックスを見ることでどのノードが重要でないかを大まかに知ることができます;ウェイトをゼロに非常に近づけてください - ウェイトの両端のノード明らかに、トレーニング中にプルーニングアルゴリズムを使用する場合は、過剰（つまり、「プルナブル」）ノードを持つ可能性の高いネットワーク構成から始めます。つまり、ネットワークアーキテクチャを決定するときにエラーが発生しますより多くのニューロンの側で、プルーニングのステップを追加した場合。
言い換えれば、トレーニング中にネットワークにプルーニングアルゴリズムを適用することで、最適なネットワーク構成に近づけることができます。 （遺伝的アルゴリズムに基づくアルゴリズムのような）単一の「最前線」でこれを行うことができるかどうかはわかりませんが、今はこの2段階最適化がより一般的です。
式
教師あり学習ネットワークのための親指の1つの追加ルール、オーバーフィッティングにはなりません隠されたニューロンの数には、UpperBoundは次のとおりです。
Others recommend alphaを5と10の間の値に設定しますが、2の値がオーバーフィットしないとうまくいくことがわかります。このexcellent NN Design textで説明されているように、モデルのフリーパラメータの数（degreeまたはゼロ以外の重みの数）をデータの自由度の小さな部分に制限します。データの自由度は、各サンプルの自由度（次元）の数値サンプル* Ns∗(Ni+No)（すべてが独立していると仮定します）です。だから、アルファはあなたのモデルをどの程度一般的にしたいのか、あまりにも過小なものを避けたいのかを示す方法です。
自動化された手順では、訓練データの誤差が最小値の2倍（モデルの訓練データの2倍の自由度）クロスバリデーションデータセット。
参照
Advameg（2016）Comp.Ai.Neural-ネットFAQ、7のパート1：はじめ。利用可能：http://www.faqs.org/faqs/ai-faq/neural-nets/part1/preamble.html
フィードフォワードニューラルネットワークの隠れ層とノードの数を選択する方法は？ （2016a）利用可能：https://stats.stackexchange.com/a/136542
フィードフォワードニューラルネットワークの隠れ層とノードの数を選択するにはどうすればよいですか？ （2016b）入手可能：https://stats.stackexchange.com/a/1097
法律、H.R.-および情報、C.（2016）Javaのためのニューラルネットワークの紹介、第2版。利用可能：http://www.heatonresearch.com/book/programming-neural-networks-java-2.html